Questions d’usage

Dit-on « autant pour moi » ou « au temps pour moi » ?

« par contre » ou « en revanche »

« the United States are » ou « the United States is »

• Anglais Américain
• Anglais Britannique

Évolution des nominations

Ouvriers, travailleurs ou salariés

Et au pluriel

Féminisation des noms de métiers

et des fonctions

Le joker *

Le token * : remplace n’import quel mot.

Exemple : une colère * donne les fréquences de trigrammes dont les deux premiers mots sont « une » et « colère »

Outils :

• Éditeur de texte brut : Notepad++ (Windows), Kate/Gedit (Linux), CotEditor (Mac)…
• Traitement de texte : Google Drive, Word, Writer, Pages…
• Test en ligne : https://regex101.com/
• Langage de programmation : java, perl, python, PHP…

Dans un éditeur de texte

On va avoir besoin d’un bon éditeur de texte brut, par exemple :

• Notepad++ (Windows)
• Kate (Linux KDE)
• Gedit (Linux GNOME)
• CotEditor (macOS)
• Quickedit (Android)
• Regex Knife (iOS)

Ou dans https://regex101.com ou Google drive en désespoir de cause.

Pour tester :

1. Récupérez le fichier Duchn-utf8.txt
2. Ouvrez-le avec l’éditeur de votre choix (Clic-droit sur le fichier + ouvrir avec)
3. Ctrl+f pour accéder à la fonction de recherche/remplacement
   • Cochez « expression régulière »

Principe général

• Règle générale : chaque caractère se reconnaît (match) lui-même
  • madeleine reconnaît madeleine mais pas Madeleine
  • France 2 reconnaît France 2 mais pas France2 ni France 3
• Cas particuliers : les métacaractères
  • Quantificateurs
  • Opérateurs
  • Caractères spéciaux
  • Classes de caractères

Exercice : que reconnaissent les expressions suivantes ?

1. pommes?
2. a?typique
3. lo*l
4. loo*l
5. lo+l

(Tester vos réponses dans un éditeur)

Accolades

Les accolades indiquent un intervalle de répétitions :

• lo{1,3}ng reconnaît long, loong et looong
• lo{3,} reconnaît looong, loooong, etc.
• lo{3}ng ne reconnaît que looong

Exercice : écrire une expression régulière qui reconnaît exclusivement lool, loool et looool.

Ensembles de caractères

Les crochets indiquent un ensemble de caractères à reconnaître :

• [ab] reconnaît une lettre : a ou b
• Avec un tiret : [a-c] reconnaît les lettres de a à c
• [a-z] reconnaît les lettres de l’alphabet en minuscules
• [a-zA-Z] reconnaît aussi les majuscules*

Exercice :

Que reconnaît :

1. [ab][ab]
2. [MmRr]aison

Écrire une expression régulière qui reconnaît exclusivement :

1. moi, toi et soi .
2. ci, si, ce et se.
3. Les nombres à deux chiffres.

(Tester vos réponses dans un éditeur)

Avec un circonflexe au début : négation de l’ensemble

• [^0-9] reconnaît tout sauf des chiffres
• [^A-Z] reconnaît tout sauf des majuscules sans diacritiques

On peut les combiner avec les quantificateurs :

• [aeiouy]+ reconnaît une suite de voyelles : a, aa, ae, iey…
• [^<]* reconnaît une suite de caractères différents de <

Groupes

Les parenthèses permettent de construire des groupes

• (ab)+ reconnaît une suite de ab : ab, abab, ababab…
• ([ab]c)+ reconnaît ac, bc, acac, acbc, bcac…
• ([aeiouy][^aeiouy])+ reconnait une suite de couples voyelle-consonne.

Alternatives

Le pipe indique une alternative :

• machin|truc reconnaît machin et truc.
• je|tu|nous reconnaît je, tu et nous.
• je|tu|[nv]ous reconnaît je, tu, nous et vous.

On les utilise le plus souvent avec des parenthèses

• (m|r)aison est équivalent à [mr]aison.
• (il|elle|iel)s? reconnaît il, elle, iel et leurs versions plurielles.

Exercice : que reconnaissent les expressions suivantes ?

1. vert(es)?
2. (anti|pro)nucléaire
3. Wiki[a-z]+
4. Wiki[a-z]*

Exercices : à quoi correspondent ces expressions ?

1. Nom\tPrénom
2. \bcap\b
3. \bcap
4. premier paragraphe\ndeuxième paragraphe

Déspécialisation

On a vu un certain nombre de métacaractères (les caractères avec une signification spéciale).

Pour les reconnaître littéralement (les déspécialiser), il faut les faire précéder d’un anti-slash \ :

• \^machin : reconnaît ^machin
• 3\.0 reconnaît 3.0 mais pas 310
• Pareil pour $, [, ], (, ), *, +, ?, {, }

Et pour représenter un anti-slash ? Pareil

• machin\\bidule reconnaît machin\bidule

Stratégie de reconnaissance

• Par principe, un quantifieur est glouton (greedy) : il reconnaît le maximum de caractères possibles.
• En ajoutant ? après un quantifieur, on le rend lazy : il reconnait le minimum de caractères.

Par exemple, si l’entrée est AHHHHHHHHH :

• AH+ reconnaît la plus longue suite de caractères : AHHHHHHHHH
• AH+? reconnaît la plus petite suite de caractères : AH7

Références

On peut utiliser des références numérotées pour rappeller le contenu d’un groupe :

(spam|egg), sausage and \1 reconnaît :

• spam, sausage and spam
• egg, sausage and egg
• Mais pas egg, sausage and spam